Ekspert agenta AI z opcją LLM do zarządzania operacjami misji
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 15 Nr 1 (2025)
-
Statystyczna wiarygodność decyzji o wadliwości kontrolowanego procesu
Yevhen Volodarskyi, Oleh Kozyr, Zygmunt Warsza5-9
-
Impulsowy generator chaotyczny oparty na klasycznym obwodzie Chuy
Volodymyr Rusyn, Andrii Samila, Bogdan Markovych, Aceng Sambas, Christos Skiadas, Milan Guzan10-14
-
Stabilność metaheurystycznych regulatorów PID w fotowoltaicznych mikrosieciach prądu stałego
Elvin Yusubov, Lala Bekirova15-21
-
Integracja symulacji numerycznej i danych eksperymentalnych dla ulepszonego monitorowania stanu konstrukcji mostów
Om Narayan Singh, Kaushik Dey22-26
-
Zastosowanie programowania wieloagentowego do modelowania zmian lepkości wsadu w produkcji alkoholu
Larysa Gumeniuk, Ludmyla Markina, Viktor Satsyk, Pavlo Humeniuk, Anton Lashch27-32
-
Stochastyczna algebra interwałowa opisująca procesy inteligentnej fabryki
Piotr Dziurzanski, Konrad Kabala, Agnieszka Konrad33-38
-
Rozwój w konserwacji paneli słonecznych: przegląd systemów automatycznego czyszczenia z kurzu opartych na Internecie rzeczy
Balamurugan Rangaswamy, Ramasamy Nithya39-44
-
Zmodyfikowany cosinus-kwadratowy model odbicia światła
Oleksandr Romanyuk, Volodymyr Lytvynenko, Yevhen Zavalniuk45-48
-
Analiza porównawcza urządzeń do magazynowania energii z użyciem akumulatorów litowo-żelazowo-fosforanowych i sodowo-jonowych
Huthaifa A. Al_Issa, Mohamed Qawaqzeh, Lina Hani Hussienat, Ruslan Oksenych, Oleksandr Miroshnyk, Oleksandr Moroz, Iryna Trunova, Volodymyr Paziy, Serhii Halko, Taras Shchur49-54
-
Badania przetwornika DC-AC z mikrokontrolerem sterującym częstotliwością inwertera
Anatolii Tkachuk, Mykola Polishchuk, Liliia Polishchuk, Serhii Kostiuchko, Serhii Hryniuk, Liudmyla Konkevych55-61
-
Aparat matematyczny do znajdowania optymalnej konfiguracji bezpiecznej sieci komunikacyjnej z określoną liczbą abonentów
Wolodymyr Khoroshko, Yuliia Khokhlachova, Oleksandr Laptiev, Al-Dalvash Ablullah Fowad62-66
-
Krytyczne aspekty cyberbezpieczeństwa w celu poprawy ochrony infrastruktury cyfrowej przedsiębiorstwa
Roman Kvуetnyy, Volodymyr Kotsiubynskyi, Serhii Husak, Yaroslav Movchan, Nataliia Dobrovolska, Sholpan Zhumagulova, Assel Aitkazina67-72
-
Modyfikacja algebraicznego dekodera Petersonа
Dmytro Mogylevych, Iryna Kononova, Liudmyla Pogrebniak, Kostiantyn Lytvyn, Igor Gyrenko73-78
-
Opracowanie modelu obliczania rozmycia współczynników precyzji globalnego systemu nawigacji w danym punkcie przestrzeni
Oleksandr Turovsky, Nazarii Blazhennyi, Roman Vozniak, Yana Horbachova, Kostiantyn Horbachov, Nataliia Rudenko79-87
-
Ekspert agenta AI z opcją LLM do zarządzania operacjami misji
Sobhana Mummaneni, Syama Sameera Gudipati, Satwik Panda88-94
-
Przegląd systemów operacyjnych stosowanych w bezzałogowych statkach powietrznych
Viktor Ivashko, Oleh Krulikovskyi, Serhii Haliuk, Andrii Samila95-100
-
Optymalizacja metod uczenia maszynowego do deanonimizacji w sieciach społecznościowych
Nurzhigit Smailov, Fatima Uralova, Rashida Kadyrova, Raiymbek Magazov, Akezhan Sabibolda101-104
-
Skuteczne wykrywanie deepfake'ów przy użyciu sieci Long Short-Term Memory do autentykacji wideo
Ravi Kishan Surapaneni, Hameed Syed, Harshitha Kakarala, Venkata Sai Srikar Yaragudipati105-108
-
Wykrywanie trendów regionalnych na podstawie danych z Twittera w czasie rzeczywistym w celu analizy nastrojów, kontekstu, sieci i czasu
Mousumi Hasan, Mujiba Shaima, Quazi Saad ul Mosaher109-116
-
Opracowanie modelu poprawy niezawodności konserwacji zapobiegawczej urządzeń medycznych
Khalid Musallam Alahmadi, Essam Rabea Ibrahim Mahmoud, Fitrian Imaduddin117-124
-
Wyjaśnialna sztuczna inteligencja do wykrywania raka płuc
Vinod Kumar R S, Bushara A R, Abubeker K M, Smitha K M, Abini M A, Jubaira Mammoo, Bijesh Paul125-130
-
Projektowanie i wdrożenie systemu detekcji żył w celu zwiększenia dokładności pobierania krwi
Omar Boutalaka, Achraf Benba, Sara Sandabad131-134
-
Cechy metrologiczne do określania stężenia cholesterolu, trójglicerydów i fosfolipidów w celu wykrywania łuszczycy
Ivan Diskovskyi, Yurii Kachurak, Orysya Syzon, Marta Kolishetska, Bogdan Pinaiev, Oksana Stoliarenko135-138
-
Opracowanie aplikacji mobilnej do badania zaburzeń motoryki małej
Marko Andrushchenko, Karina Selivanova, Oleg Avrunin, Alla Kraievska, Orken Mamyrbayev, Kymbat Momynzhanova139-143
-
Sztuczna inteligencja w edukacji: symulacje oparte na ChatGPT w przygotowaniu nauczycieli
Marina Drushlyak, Tetiana Lukashova, Volodymyr Shamonia, Olena Semenikhina144-152
-
CKSD: kompleksowa baza danych kurdyjsko-sorani
Jihad Anwar Qadir, Samer Kais Jameel, Wshyar Omar Khudhur, Kamaran H. Manguri153-156
Archiwum
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 11 Nr 4
2021-12-20 15
-
Tom 11 Nr 3
2021-09-30 10
-
Tom 11 Nr 2
2021-06-30 11
-
Tom 11 Nr 1
2021-03-31 14
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
Zarządzanie operacjami misji to koordynacja i kontrola różnych działań związanych z eksploatacją satelity. Ta krytyczna funkcja obejmuje planowanie, monitorowanie, kontrolowanie i koordynację wszystkich aspektów misji, zapewniając osiągnięcie przez statek kosmiczny swoich celów. Obecne zarządzanie operacjami misji napotyka ograniczenia w zakresie transmisji danych, opierając się wyłącznie na kontroli naziemnej i ręcznych procedurach analitycznych, a nie wykorzystując technologii do optymalizacji rutynowych operacji misji. Celem tej propozycji badawczej jest opracowanie agenta Expert AI opartego na modelu dużego języka (LLM) do zarządzania operacjami misji. Proponowany asystent AI oparty na LLM będzie wykonywał zadania takie jak analiza danych w celu rozpoznania wzorców, planowanie operacyjne i podsumowywanie dokumentów. System zaprojektowano do pracy w trybie offline, co zapewnia elastyczność we wdrażaniu. Integracja sztucznej inteligencji z zarządzaniem operacjami misji może przynieść korzyści kontrolerom i inżynierom misji, naukowcom i badaczom, agencjom i organizacjom kosmicznym. Sztuczna inteligencja oferuje możliwości obniżenia kosztów misji, poprawy wskaźników powodzenia i zwiększenia efektywności programów eksploracji kosmosu.
Słowa kluczowe:
Bibliografia
[1] Ahn H. et al.: Deep generative models-based anomaly detection for spacecraft control systems. Sensors 20(7), 2020, 1991.
[2] Berquand A. et al.: Artificial intelligence for the early design phases of space missions. 2019 IEEE Aerospace Conference, IEEE, 2019.
[3] Chen B. et al.: Unleashing the potential of prompt engineering in large language models: a comprehensive review. arXiv, 2310.14735, 2023.
[4] Cuéllar S. et al.: Explainable anomaly detection in spacecraft telemetry. Engineering Applications of Artificial Intelligence 133, 2024, 108083.
[5] Edge D. et al.: From local to global: A graph rag approach to query-focused summarization. arXiv, 2404.16130, 2024.
[6] Ferreira J. J., de Souza Monteiro M.: Do ML Experts Discuss Explainability for AI Systems? A discussion case in the industry for a domain-specific solution. arXiv, 2002.12450, 2020.
[7] Florin et al.: The power of noise: Redefining retrieval for rag systems. Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2024.
[8] Furano G. et al.: AI in space: Applications examples and challenges. IEEE International Symposium on Defect and Fault Tolerance in VLSI and Nanotechnology Systems (DFT). IEEE, 2020.
[9] Hei Z. et al.: Dr-rag: Applying dynamic document relevance to retrieval-augmented generation for question-answering. arXiv, 2406.07348, 2024.
[10] Herrmann L. et al.: Unmasking overestimation: a re-evaluation of deep anomaly detection in spacecraft telemetry. CEAS Space Journal 16(2), 2024, 225–237.
[11] Janjanam D. et al.: Design of an expert system architecture: An overview. Journal of Physics: Conference Series 1767(1), 2021.
[12] Jin H. et al.: A comprehensive survey on process-oriented automatic text summarization with exploration of LLM-based methods. arXiv, 2403.02901, 2024.
[13] Josphineleela R. et al.: Exploration beyond boundaries: Ai-based advancements in rover robotics for lunar missions space like chandrayaan. Int. J. Intell. Syst. Appl. Eng 11(10s), 2023, 640–648.
[14] Ke Y. et al.: Development and Testing of Retrieval Augmented Generation in Large Language Models--A Case Study Report. arXiv, 2402.01733, 2024.
[15] Liu D. et al.: Fragment anomaly detection with prediction and statistical analysis for satellite telemetry. IEEE Access 5, 2017, 19269–19281.
[16] Liu S. et al.: Towards a robust retrieval-based summarization system. arXiv, 2403.19889, 2024.
[17] Muhammad H. H. et al.: A review on optimization-based automatic text summarization approach. IEEE Access 12, 2023, 4892–4909.
[18] Murdaca F. et al.: Knowledge-based information extraction from datasheets of space parts. 8th International Systems & Concurrent Engineering for Space Applications Conference 2018.
[19] Nalepa J. et al.: Evaluating algorithms for anomaly detection in satellite telemetry data. Acta Astronautica 198, 2022, 689–701.
[20] Obied M. A. et al.: Deep clustering-based anomaly detection and health monitoring for satellite telemetry. Big Data and Cognitive Computing 7(1), 2023, 39.
[21] O'Meara C. et al.: Applications of deep learning neural networks to satellite telemetry monitoring. 2018 Spaceops Conference.
[22] Ostaszewski K. et al.: Pattern recognition in time series for space missions: A rosetta magnetic field case study. Acta Astronautica 168, 2020, 123–129.
[23] Pilastre B. et al.: Anomaly detection in mixed telemetry data using a sparse representation and dictionary learning. Signal Processing 168, 2020, 107320.
[24] Purwar A.: Evaluating the efficacy of open-source llms in enterprise-specific rag systems: A comparative study of performance and scalability. arXiv, 2406.11424, 2024.
[25] Sahoo P. et al.: A systematic survey of prompt engineering in large language models: Techniques and applications. arXiv preprint arXiv, 2402.07927, 2024.
[26] Schefels C. et al.: To Catch Them All: A Generic Approach for Pattern Detection in Time Series Satellite Telemetry Data. 2021.
[27] Raj Mathav J. et al.: Fine tuning llm for enterprise: Practical guidelines and recommendations. arXiv, 2404.10779, 2024.
[28] Waisberg E. et al.: Generative pre-trained transformers (GPT) and space health: a potential frontier in astronaut health during exploration missions. Prehospital and Disaster Medicine 38(4), 2023, 532–536.
[29] Wang Y. et al.: A deep learning anomaly detection framework for satellite telemetry with fake anomalies. International Journal of Aerospace Engineering 1, 2022, 1676933.
[30] Zeng Z. et al.: Satellite telemetry data anomaly detection using causal network and feature-attention-based LSTM. IEEE Transactions on Instrumentation and Measurement 71, 2022, 1–21.
##plugins.themes.bootstrap3.article.details##
Abstract views: 689
Downloads: 498

